Οι θεραπείες για τον καρκίνο εξαρτώνται από ιλιγγιώδεις ποσότητες δεδομένων: Δείτε πώς ταξινομείται στο σύννεφο

Οι καρκινοπαθείς και οι γιατροί τους έχουν περισσότερες πληροφορίες για την ασθένεια και τη θεραπεία της από ποτέ, και οι διαθέσιμες πληροφορίες συνεχίζουν να αυξάνονται με ιλιγγιώδη ρυθμό. Όλες αυτές οι πληροφορίες, ωστόσο, δεν είναι χρήσιμες εάν οι άνθρωποι δεν μπορούν να τις κατανοήσουν. 

Σκεφτείτε έναν ασθενή με καρκίνο του πνεύμονα, για παράδειγμα, ο οποίος μπορεί να λάβει έγκαιρη διάγνωση μέσω ενός προγράμματος προσυμπτωματικού ελέγχου που παράγει μια εικόνα υπολογιστικής τομογραφίας (CT). Καθώς το πλάνο διάγνωσης και θεραπείας προχωρά, οι φροντιστές τους θα φέρουν πηγές δεδομένων όπως η μαγνητική τομογραφία και η μοριακή απεικόνιση, δεδομένα παθολογίας - τα οποία ψηφιοποιούνται όλο και περισσότερο - και πληροφορίες γονιδιωματικής. 

«Όλα αυτά, ειλικρινά, είναι μια πολύ δύσκολη πρόκληση για τις ίδιες τις ομάδες φροντίδας, καθώς σκέφτονται πώς να φροντίσουν και να θεραπεύσουν καλύτερα αυτούς τους ασθενείς», δήλωσε ο Louis Culot, GM γονιδιωματικής και ογκολογικής πληροφορικής στη Philips, κατά τη διάρκεια ενός Amazon. Εικονική εκδήλωση Web Services για τον κλάδο της υγείας. 

«Στην ογκολογία τώρα, ή σε οποιονδήποτε ιατρικό κλάδο, αυτό έχει σημασία γιατί έχει σημασία η θεραπεία, σημασία έχει η παρέμβαση», είπε ο Culot. «Δεν θέλουμε δεδομένα μόνο για χάρη των δεδομένων. Τι ενέργειες θα μπορούσαν να κάνουν τα μέλη της ομάδας φροντίδας βάσει πληροφοριών;»

Για να αποκτήσουν καλύτερα όλα αυτά τα δεδομένα, οι καινοτόμοι έχουν στραφεί σε εργαλεία όπως το cloud computing και η μηχανική μάθηση — με δυνητικά αποτελέσματα που σώζουν ζωές. Στην εκδήλωση AWS αυτής της εβδομάδας, ο Culot προχώρησε στη συνεργασία της Philips με το Κέντρο Καρκίνου MD Anderson στο Πανεπιστήμιο του Τέξας, το οποίο στοχεύει να βοηθήσει τους γιατρούς να συγκεντρώσουν όλα τα δεδομένα τους για να δημιουργήσουν εξατομικευμένα σχέδια φροντίδας για τους ασθενείς. 

Ο Satnam Alag, SVP της μηχανικής λογισμικού στο Grail, εξήγησε πώς η εταιρεία του χρησιμοποιεί το cloud και τη μηχανική μάθηση για να αναπτύξει ένα σύστημα που μπορεί να ελέγξει τους ασθενείς για δεκάδες διαφορετικούς τύπους καρκίνου ταυτόχρονα, αντί για έναν κάθε φορά. 

Είναι δύσκολο να υπερεκτιμηθεί ο αντίκτυπος των βελτιωμένων προληπτικών εξετάσεων και θεραπειών για τον καρκίνο. Το 2020, υπήρχαν περισσότερα από 19 εκατομμύρια περιπτώσεις καρκίνου παγκοσμίως, σημείωσε ο Alag, και σχεδόν 10 εκατομμύρια θάνατοι. Υπολογίζεται ότι ένας στους τρεις άνδρες και μία στις τέσσερις γυναίκες είναι πιθανό να νοσήσουν από καρκίνο κατά τη διάρκεια της ζωής τους.

«Θα διαγνωστεί εγώ ή κάποιο μέλος της οικογένειας με καρκίνο; Πού είναι στο σώμα μου; Μπορεί να θεραπευτεί; Ή θα με σκοτώσει; Αυτές είναι κοινές ερωτήσεις που συμμεριζόμαστε πολλοί από εμάς», είπε ο Αλαγκ. 

Ευτυχώς, καθώς συλλέγουμε περισσότερα σημεία δεδομένων για τη μελέτη του καρκίνου, οι επιστήμονες αναπτύσσουν επίσης νέες θεραπευτικές επιλογές σε ένα γρήγορο κλιπ. Η πρόοδος στο μοριακό προφίλ έχει βοηθήσει τους επιστήμονες να εντοπίσουν διαφορετικές κατηγορίες και υποκατηγορίες καρκίνου, μαζί με διαφορετικές πιθανές θεραπείες. Το 2009, η αμερικανική FDA είχε εγκρίνει οκτώ αντικαρκινικά φάρμακα, σημείωσε ο Culot. Μέχρι το 2020, αυτός ο αριθμός αυξήθηκε σε 57. Επιπλέον, υπάρχουν τώρα περίπου 1,500 κλινικές δοκιμές ανοιχτές επί του παρόντος σε ασθενείς με καρκίνο. 

«Γενικά, υπάρχουν τώρα κυριολεκτικά εκατοντάδες πιθανές θεραπείες ή συνδυασμοί θεραπείας, που μπορούν να χρησιμοποιηθούν για τη θεραπεία του καρκίνου», είπε ο Culot. «Έχουμε λοιπόν αυτή τη διπλή πρόκληση, σωστά; Πώς συγκεντρώνουμε όλα αυτά τα δεδομένα για να έχουμε μια καλύτερη εικόνα του ασθενούς; Και μετά με αυτή την άποψη, τι σημαίνουν όλα από την άποψη της καλύτερης θεραπείας;»

Για την αντιμετώπιση αυτού του προβλήματος, οι γιατροί στο MD Anderson ανέπτυξαν το σύστημα Precision Oncology Decision Support (PODS) — ένα εργαλείο βασισμένο σε στοιχεία που βοηθά τους γιατρούς να αξιολογούν σχετικές πληροφορίες, όπως τις πιο πρόσφατες στην ανάπτυξη φαρμάκων και τις κλινικές δοκιμές, καθώς και τις απαντήσεις των ασθενών στις θεραπείες . Αυτό τους βοηθά να αναπτύξουν εξατομικευμένα σχέδια θεραπείας.

Το 2020, ο MD Anderson συνεργάστηκε με τη Philips και την AWS για να καταστήσει το σύστημα διαθέσιμο σε γιατρούς και επαγγελματίες σε όλο τον κόσμο. 

Το σύστημα θα μπορούσε να υπάρχει μόνο στο cloud, σημείωσε ο Culot, για διάφορους λόγους. Υπάρχει τεράστιος όγκος δεδομένων προς αποθήκευση και τεράστιες ποσότητες επεξεργασίας δεδομένων που πρέπει να γίνουν. Ταυτόχρονα, το σύστημα πρέπει να είναι ένα ασφαλές και συμβατό σύστημα πολλαπλών μισθωτών για επαγγελματίες σε όλο τον κόσμο. 

Ίσως το πιο κρίσιμο, το cloud επιτρέπει πραγματικά εξατομικευμένα σχέδια θεραπείας, σημείωσε ο Culot, επιτρέποντας στους γιατρούς να συνεργάζονται και να συνδυάζουν τα δεδομένα τους. 

«Οι άνθρωποι μιλούν για τον καρκίνο ως πρόβλημα μεγάλων δεδομένων, αλλά είναι επίσης αυτό που αποκαλώ πρόβλημα μικρού μεγέθους», είπε ο Culot. Έδωσε το παράδειγμα ενός ασθενούς με καρκίνο του πνεύμονα που μαθαίνει ότι έχει καρκίνο του πνεύμονα Σταδίου 4 με συγκεκριμένες μεταλλάξεις. 

«Καταλήγετε να υποκαθιστάτε και να υποκαθιστάτε αυτούς τους πληθυσμούς, έτσι ακόμη και τα μεγαλύτερα ιδρύματα υγειονομικής περίθαλψης έχουν μερικές φορές μόνο λίγους ασθενείς που πληρούν τα κριτήρια από τα οποία προσπαθούμε να μάθουμε», είπε. «Το να μπορούμε να συνδυάζουμε δεδομένα – απο-αναγνωρισμένα, με συμβατό τρόπο – ώστε να μπορούμε να μάθουμε από αυτά, επιτρέπεται μέσω αυτών των οικοσυστημάτων που βασίζονται στο σύννεφο».

Ομοίως, ο Satnam Alag του Grail είπε ότι το cloud ήταν επιτακτική ανάγκη για την ανάπτυξη του Galleri, του τεστ έγκαιρης ανίχνευσης πολλαπλών καρκινικών της εταιρείας. Το τεστ έχει σχεδιαστεί για την ανίχνευση περισσότερων από 50 τύπων καρκίνου ως συμπλήρωμα των εξετάσεων προσυμπτωματικού ελέγχου ενός καρκίνου.

«Η αξιοποίηση της δύναμης της γονιδιωματικής και της μηχανικής μάθησης χρειάζεται πολύ υπολογισμό», είπε ο Alag. «Πρέπει να συλλεχθούν και να κλιμακωθούν πολύ μεγάλοι όγκοι δεδομένων». 

Από μία μόνο αιμοληψία, το τεστ Galleri χρησιμοποιεί αλγόριθμους αλληλουχίας DNA και μηχανικής μάθησης για να αναλύσει κομμάτια DNA στην κυκλοφορία του αίματος ενός ασθενούς. Το τεστ αναζητά ειδικά τα νουκλεϊκά οξέα χωρίς κύτταρα (cfDNA) που αποβάλλουν οι όγκοι στο αίμα, τα οποία μπορούν να σας πουν τι είδους καρκίνος υπάρχει στο σώμα και από πού προέρχεται. 

«Αντί να κάνουμε προσυμπτωματικό έλεγχο μόνο για μεμονωμένους καρκίνους, πρέπει να κάνουμε προσυμπτωματικό έλεγχο ατόμων για καρκίνο», είπε ο Alag. «Και αυτό είναι πλέον δυνατό χάρη σε δύο μεγάλες τεχνολογικές επαναστάσεις που συνέβησαν τα τελευταία 20 χρόνια. Πρώτον, η δύναμη της γονιδιωματικής — είναι πλέον δυνατό να προσδιοριστεί η αλληλουχία του πλήρους DNA… δημιουργώντας terabyte δεδομένων αποτελεσματικά μέσα σε λίγες μέρες. Δεύτερον, είναι η τεράστια ποσότητα καινοτομίας στη μηχανική μάθηση. Τώρα έχουμε την τεχνογνωσία για να μπορέσουμε να δημιουργήσουμε περίπλοκα, βαθιά μοντέλα μάθησης με δεκάδες εκατομμύρια παραμέτρους».